精神病医疗记录中的机器学习:创伤注释的黄金标准方法

科学领域:

• 精神病学是一个精神病学.
• 计算语言学 计算语言学
• 机器学习 机器学习

背景情况:

• 精神病学电子健康记录 (EHR) 由于其非结构化的性质,对机器学习具有挑战性.
• 开发用于精神病治疗的机器学习模型需要高质量的注释数据集.

研究的目的:

• 为患有精神障碍和创伤后应激障碍 (PTSD) 的患者创建注释精神病学EHR的黄金标准数据集.
• 制定临床信息的指导方针,用于注释创伤事件.
• 为了证明数据集在训练机器学习模型中的实用性,用于症状,物质使用和创伤检测.

主要方法:

• 编制了200个叙事重重的精神病学EHR的语料库.
• 与临床专家和计算语言学家一起开发了一个详细的注释方案.
• 对创伤相关事件和临床信息进行注释的EHR,实现了高的注释者间一致性 (跨度为0.715,属性为0.874).

主要成果:

• 建立了第一个黄金标准数据集,用于标记精神病EHR中的创伤特征.
• 机器学习模型实现了高性能 (跨度为0.76的微F1,属性为0.82).
• 高度的注释者间协议和模型性能证明了数据集的可靠性.

结论:

• 创建的黄金标准数据集适合在精神病医疗保健中训练机器学习模型.
• 本资源促进了机器学习的应用,以了解疾病异质性和治疗影响.
• 该数据集有助于更好地检测精神病患者的症状,物质使用和创伤.